企业官网建设流程全解析

写在前面

欢迎大家关注Rocky的公众号：WeThinkIn
欢迎大家关注Rocky的知乎：Rocky Ding
《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

Rocky最新撰写的10万字AI Agent（AI智能体）深入浅出全维度解析文章：深入浅出完整解析AI Agent（AI智能体）的核心基础知识

AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群（涵盖涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识）欢迎大家加入：https://t.zsxq.com/33pJ0

大家好，我是Rocky。

核心导读

Grok 4.5 在 2026 年 7 月进入公众视野时，市场最容易抓住的标签是“SpaceXAI 的新旗舰”“Cursor 联合训练”“代码能力很强”。但如果只围绕某一个榜单讨论它，很快会陷入模型发布的老问题：今天谁第一，下一周谁反超。

这次更值得看的信号其实来自三个不同层次。

第一，xAI 官方把 Grok 4.5 的定位从写代码扩展到了数据科学、金融、法律、Office 和其他知识工作；Cursor 则明确说，它是第一个不只面向软件工程构建的模型。

第二，Cursor 的技术叙事不再只是“更大模型”，而是数万亿 token 的真实代码库与软件工具交互数据，加上覆盖软件工程和知识工作的强化学习环境。模型学习的对象，开始从“答案”转向“探索、调用工具、从错误中恢复、确认结果”。

第三，Snorkel 在约 2,000 个 GDPval+ 专业工作任务上的评测给出 29% 的平均通过率，高于 GPT 5.5 的 22% 和 Claude Opus 4.8 的 21%；但即便是第一名，仍然不到三分之一。

所以 Rocky 的核心判断是：Grok 4.5 的长期价值不在于它是否拿下某个榜单，而在于它把“模型能力”推进到了“完整工作交付”的训练和评测框架里。

这不是说 Grok 4.5 已经可以替代专家。恰恰相反，Snorkel 的结果提醒我们，专业工作仍然是开放问题。真正发生变化的是竞争单位：未来比较的将不只是裸模型的语言能力，而是模型、工具、环境、验证器和工作流组合起来以后，能否把任务交付到可验收状态。

一、先校准时间线和证据等级：三篇文章不是同一种“发布说明”

这三份材料的发布时间和证据职责并不相同。

这条时间线本身很有意思：合作平台和外部评测先于 xAI 官方页面扩散，像是“产品渠道先行、官方 API 和产品面再扩散”的两阶段发布。它也解释了为什么不同来源里的数字和模型模式并不完全一致。

更重要的是，不要把三类数字直接拼在一张排行榜里：

1. Cursor 的 Terminal-Bench、SWE-Bench 和 DeepSWE 表格，混合了第三方自报成绩、不同推理模式以及不同 harness。
2. xAI 官方工程榜单强调的是 coding 和 agentic engineering，重点在代码任务的解决率与 token 效率。
3. Snorkel 的 GDPval+ 测试的是模型配合工具完成文档、表格、演示文稿等专业交付物的能力。

它们回答的是三个不同问题：模型能否解决代码题、模型能否高效完成工程任务、模型能否把知识工作交付给专家验收。分数不能跨问题直接排序，但可以共同判断技术路线正在往哪里移动。

二、Grok 4.5 到底改变了什么：从编程模型走向知识工作模型

Cursor 对 Grok 4.5 的定位有一句很关键：它是“首个不只面向软件工程构建的模型”。这并不是把软件工程能力删掉，而是把训练分布扩展到 STEM 任务、研究论文和其他知识工作。

此前的 Composer 2.5 更像专精编程的产品模型；Grok 4.5 则试图成为一个可以在多个工作环境里运行的通用执行模型。Cursor 给出的可用入口包括桌面端、Web、iOS、CLI 和 SDK；xAI 官方又把它接入 Grok Build、Cursor 和 SpaceXAI Console。

这种变化意味着模型的输出单位不再只是代码片段或聊天回复，而可以是：

• 能运行的代码仓库和完整应用；
• 带多表公式的 Excel 工作簿；
• 使用原生 PowerPoint 形状构建的图表和演示文稿；
• 经过检索、分析和格式化的专业报告；
• 需要多轮调用工具、检查错误并再次修正的长任务结果。

这也是为什么“Grok 4.5 是不是最强聊天模型”这个问题越来越不够用了。用户真正愿意付费的，不是模型能写出一段听起来正确的话，而是它能不能把文件、数据、代码、浏览器和企业工具串起来，最后交付一个人可以审阅、修改和使用的结果。

三、技术底层的真正看点：模型、数据和环境形成了闭环

公开材料没有给出 Grok 4.5 的参数量、具体 MoE 专家数量、注意力结构、训练 loss 或完整数据配方。Cursor 只明确说它是混合专家模型，并与 SpaceXAI 联合训练。因此，不能根据“4.5”或“混合专家”自行推导出具体架构细节。

但公开信息足以说明三个系统级变化。

3.1 数据不只是网页文本，而是人和工具的交互轨迹

Cursor 表示，训练使用了数万亿 token 的 Cursor 数据，覆盖用户与代码库及软件工具的广泛交互。这类数据的价值不只是“代码更多”，而是把开发者如何查找文件、调用工具、修改代码、运行测试、面对错误和再次尝试记录下来。

传统预训练更关注模型是否能预测下一个 token；真实工作数据还包含“下一步应该做什么”的轨迹。它让模型看到：

1. 一个问题如何被拆成多个可执行步骤；
2. 哪些工具调用能真正改变环境状态；
3. 一个看似合理的中间结果如何通过测试暴露错误；
4. 如何根据终端输出、文件内容和用户反馈调整策略。

这不是简单地把产品日志塞进训练集。真正的难点在于去重、质量评分、隐私和授权，以及如何让交互轨迹从“偶然的操作记录”变成可以学习的任务结构。Cursor 对 Grok 4.5 的说明至少证明，它在尝试把软件生产过程本身作为训练对象。

3.2 强化学习的目标从答案正确扩展到环境可验证

Cursor 描述的强化学习环境会训练模型探索问题、使用工具、从错误中恢复并确认结果。xAI 则表示，Grok 4.5 的 RL 覆盖数十万任务，重点是多步软件工程和其他技术工作，使用自动评分与模型评分，并支持运行数小时的异步 agent rollout。

这带来一个重要转向：

训练奖励的不是“第一步答得像不像”，而是“最后有没有把任务推进到可验收状态”。

如果任务是修复一个仓库，奖励信号可以来自测试是否通过；如果任务是生成报表，奖励信号需要检查公式、结构和关键事实；如果任务是法律分析，奖励信号可能来自专家定义的准则。模型的推理过程不一定被人逐步标注，但最终结果必须能被验证。

3.3 用上一代模型构建下一代环境

Cursor 提到，工程师负责定义问题和验证方案，大批智能体负责构建、测试和完善环境；有些环境如果由人工完成，可能需要数百名工程师数月工作。

这可以理解成一种“模型生产模型训练环境”的递归系统：

工程师定义任务与验收标准 ↓ 上一代智能体生成环境、数据和测试样例 ↓ 新模型在环境中探索、调用工具、失败与修复 ↓ 自动评分与模型评分形成奖励 ↓ 更强模型继续扩展更难的任务环境

这里最有价值的并不是“AI 替代了多少标注员”，而是把训练瓶颈从静态数据量转成了可验证环境的生产能力。真正难的工作变成：任务是否代表真实价值、验收标准是否完备、环境是否能防止投机、奖励是否会把模型带向错误目标。

四、编程榜单告诉我们的，不是 Grok 4.5 全面第一，而是能力已经进入第一梯队

Cursor 公布的表格很适合用来做一次反 hype 校准。

这张表的第一结论是：Grok 4.5 已经进入强模型集群，但并非每项都第一。Terminal-Bench 2.1 上，GPT 5.5 和 Fable 5 高于它；SWE-Bench Multilingual 上 Opus 4.8 明显领先；SWE-Bench Pro 上 Fable 5 和 Opus 4.8 也更高。

第二结论是：不同模型后缀里的high、max、xhigh不是同一推理预算。一个模型用更高预算跑出的分数，不能直接与另一个模型的低预算分数当成同等成本比较。

第三结论是：Cursor 自己主动排除了 CursorBench 的优势，因为 Cursor codebase 的早期快照曾意外进入训练数据。这个披露很重要。它没有把污染后的榜单当成宣传资产，而是承认数据泄漏影响尚不明确，并决定不再把该数据用于后续模型。

真正可信的模型评测，不是只报告最好看的分数，而是主动说明哪些分数不应该被使用。

五、专业工作评测更有价值，但它测的是“模型加 Agent 系统”

Snorkel 的 GDPval+ 评测更接近企业真正关心的任务：由领域专家设计提示词，并产出文档、表格和演示文稿等真实工作交付物。此次分析使用 Edition 1 的约 2,000 个任务样本。

Snorkel 通过 Harbor 运行评测，每个任务只尝试一次，即k=1。任务完成后，验证器使用 LLMaJ 和每个任务的专家 rubric 评分，只有拿到完美奖励r=1.0才算 pass。

结果非常清楚：

Grok 4.5 的领先并不是平均分上的偶然小波动。Snorkel 报告称，在法律工作上是 40% 对 27%–28%，教育是 58% 对 35%–42%，医疗是 35% 对 23%–25%，QA 分析是 37% 对 19%–27%。但这里有一个必须写在结论旁边的限制：GPT 5.5 和 Opus 4.8 使用了面向 GDPval 的 Stirrup evaluation agent，Grok 4.5 则按照 SpaceXAI 的要求使用了定制的 Grok Build agent。

所以这组结果证明的是：在各自配置的工具和脚手架下，Grok 4.5 组成的系统更擅长完成这批专业任务。它不能被简化成“Grok 4.5 裸模型一定比 GPT 5.5 强”。

这种评测方式反而更贴近真实产品。企业不会把一个裸模型放在办公桌上，而会提供浏览器、文件系统、搜索、Office、数据库和内部知识库。模型的能力必须在这些工具约束中被兑现。

六、失败模式比平均分更接近商业价值

GDPval+ 的另一项价值，是没有只给一个总分。Snorkel 让 LLM 根据每个失败 criterion 建立失败 taxonomy，再为失败标记类型。

在六类错误中，Grok 4.5 的出现比例都最低。最常见的错误是缺少领域分析：Grok 4.5 约为 40%，GPT 5.5 和 Opus 4.8 约为 51%–52%。它在错误推荐、格式结构和缺少来源引用方面也更少。

这类结果比“模型能不能写出漂亮答案”更有产品意义。专业用户通常不是因为文字不够流畅而拒绝 AI，而是因为它：

• 没有处理真正影响结论的领域细节；
• 给出看似合理但无法执行的建议；
• 输出格式无法直接交付；
• 缺少关键来源和计算过程；
• 在不同任务之间重复模板化答案。

Snorkel 还给了两个具体案例：在工资与工时责任任务中，Grok 4.5 是唯一满足全部专家标准的模型；在商业地产任务中，它给出了区分到具体地点的建议，而其他模型更趋向于泛化、统一的结论。

这些案例说明专业工作能力的核心不是“知识更多”，而是能否把知识映射到任务约束、局部事实和最终决策上。

七、80 TPS 和 4.2 倍 token 效率：成本优势不只来自 API 单价

xAI 官方给出的基础价格是每百万输入 token 2 美元、每百万输出 token 6 美元；Cursor 页面还列出了快速变体，每百万输入 token 4 美元、输出 token 18 美元。两者不能混为一个统一价格，具体账单还取决于使用渠道和变体。

xAI 同时宣称 Grok 4.5 以约 80 TPS 的速度服务，并在 SWE-Bench Pro 任务中平均只输出 15,954 个 token，而 Opus 4.8 max 平均约 67,020 个 token，约少 4.2 倍。

这两个数字放在一起，传递的是一个比“每百万 token 多少钱”更重要的经济学判断：总成本取决于模型为了完成任务需要走多少步，而不只是每一步的价格。

一个更接近生产的估算应该是：

单任务总成本 = 输入 token 成本 + 输出 token 成本 + 工具调用与检索成本 + 失败重试成本 + 人工复核与返工成本

如果模型每一步便宜，但需要反复调用、频繁失败和人工重做，最终成本可能并不低；如果模型输出更少、能够更快确认结果，单位任务成本才会真正下降。

当然，4.2 倍 token 效率是 xAI 针对自家比较方式公布的结果，不应直接外推到所有任务。它还没有公开完整的 prompt、工具调用、上下文长度、失败重试和并发条件。工程团队需要在自己的任务集上测 P50/P95 延迟、总 token、工具调用次数和最终可交付率。

八、Office 和 Grok Build：模型能力开始从“回答”变成“留下文件”

xAI 把 Grok 4.5 设为 Grok Build 的默认模型，并强调它可以构建包含网页研究、多表公式和批注的复杂 Excel 模型；在 PowerPoint 和 Word 中，它可以使用原生形状制作图表、设计演示文稿和撰写文档。

这件事的本质不是“模型学会了 Office API”这么简单，而是交付物开始从聊天窗口外移。一个真正进入企业流程的 Agent，必须留下用户可以继续编辑的文件，而不是一段只能复制粘贴的文本。

这也解释了为什么 Cursor 的 SDK、CLI、Web、桌面和移动端入口很重要。模型能力越强，产品越需要把它放进不同的工作环境，并提供权限、文件、工具调用和审计记录。

但“能生成 Excel/PowerPoint/Word”仍然不等于“能独立承担企业工作”。文件可打开只是第一层验收，后面还要检查公式、引用、视觉层级、数据来源、权限和事实准确性。产品真正难的部分，往往发生在文件生成之后，而不是 Demo 完成当天。

九、局限与可复现性：为什么 29% 比“专家级”更诚实

Grok 4.5 的公开资料没有披露完整模型架构、参数规模、训练数据明细、RL 任务清单、奖励模型、推理预算和内部失败率。Cursor 说明了数据与环境方向，但没有给出足以复现训练过程的实验细节；xAI 说明了 GPU 规模和异步 rollout，也没有公开完整训练配方。

Snorkel 的评测同样存在必要的边界：

1. 约 2,000 个任务只是 GDPval+ Edition 1 的一个样本，不等于所有行业的完整分布。
2. 每个任务只运行一次，k=1无法估计多次采样下的稳定性。
3. pass 必须是完美奖励r=1.0，它对部分接近完成但有一个局部错误的结果非常严格。
4. GPT/Opus 使用 Stirrup，Grok 使用 Grok Build，harness 差异会影响最终分数。
5. 失败 taxonomy 由 LLM 自动推导，分类本身也可能有误差。

因此，“Grok 4.5 29%”应该读成：在 Snorkel 选择的专业任务、指定的 agent harness、单次运行和严格完美通过标准下，Grok 系统的平均可交付率是 29%。

这已经是有价值的提升，但离“专家级工作自动化”仍很远。Snorkel 自己的结论也承认，即便最强模型，专家任务的通过率仍不到三分之一。

真正严谨的结论不是 AI 已经完成知识工作，而是知识工作的评测方式终于开始接近真实交付。

十、Rocky 的跨周期判断：模型的护城河正在转向环境、验证和交付

Grok 4.5 并没有证明“单个模型能力已经决定一切”。它反而说明，下一阶段竞争会围绕四个层次展开。

10.1 模型层：更强的推理和更高的 token 效率

Grok 4.5 的 80 TPS、15,954 token 和 $2/$6 价格构成了有吸引力的效率组合，但这些数字会很快被竞争对手跟进。模型层的领先很重要，却很难单独形成长期护城河。

10.2 环境层：能不能把真实工作变成可训练任务

Cursor 的交互数据、xAI 的数十万 RL 任务和异步 rollout，说明真正稀缺的是高质量环境。谁拥有真实用户、代码库、文件、工具和反馈，谁更容易持续生产下一轮训练任务。

10.3 验证层：能不能定义什么叫“完成”

没有 verifier，Agent 只能生成看似合理的过程；有了专家 rubric、自动测试、文件检查和来源校验，模型才有机会把错误暴露出来。未来的模型公司会越来越像“模型 + 环境 + 评测基础设施”公司。

10.4 交付层：能不能对最终结果负责

用户愿意付费的不是“模型很聪明”，而是少花时间、少返工、少出错，并留下可继续使用的资产。对创业者而言，纯 API 包装会越来越容易被吸收；真正有价值的是行业模板、客户数据、流程权限、审核体系和分发闭环。

对不同读者，Grok 4.5 的启发也不一样：

• AI 算法工程师：研究重点应从单模型分数扩展到环境设计、奖励函数、异步 rollout、工具调用和失败分析。
• AI 产品经理：不要把 Agent 设计成更会聊天的助手，要把任务、权限、工具、验收和交付物一起设计出来。
• 开发者：Vibe Coding 降低了写代码的门槛，但架构、测试、数据校验、部署和结果负责能力反而更重要。
• 创业者与投资人：API 价格不是护城河。要看项目是否拥有真实工作流、独特数据、客户反馈和交付责任。

结语：Grok 4.5 的真正战场，是“完成任务”而不是“生成答案”

如果只看榜单，Grok 4.5 是一个在不同工程评测上有强有弱的第一梯队模型；如果看训练和产品系统，它代表了更重要的方向：模型开始被放进长任务、工具环境和专家验收里训练。

这条路的终点不是让 AI 变成一个永远正确的专家，而是让 AI 在不确定环境中更少犯错、更快恢复，并把最终结果交给人继续使用。

工具会迭代，模型会换代，榜单会重排。真正跨周期的能力，是把一次模型调用组织成可验证、可审计、可交付的工作流。

Grok 4.5 最值得看的，不是它今天排第几，而是行业终于开始用“完整工作交付”来定义下一代模型的能力。

推荐阅读

Rocky一直在运营技术交流群（WeThinkIn-技术交流群），这个群的初心主要聚焦于技术话题的讨论与学习，包括但不限于算法、开发、竞赛、科研以及工作求职等。群里有很多人工智能行业的大牛，欢迎大家入群一起学习交流～（请添加小助手微信Jarvis8866，拉你进群～）

1. 深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2025年可以说是AI Agent全面落地应用的元年，因此Rocky在持续撰写对AI Agent的全维度解析文章：

深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解，同时不断跟进补充扩散模型的最新技术发展，希望能给大家带来帮助：

深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

3. 入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解，力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值：

入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

5. 深入浅出完整解析DeepSeek系列核心基础知识

Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析DeepSeek系列核心基础知识

6. 深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

7. 深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

8. 深入浅出完整解析Stable Diffusion（SD）核心基础知识

Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion（SD）核心基础知识

9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析，包括其在传统深度学习中的价值和在AIGC中的价值：

深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

10. 深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

对于AIGC时代中的“ResNet”——LoRA模型，Rocky进行了深入浅出的全面讲解：

深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

11. 深入浅出完整解析ControlNet核心基础知识

AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心，ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。

ControlNet正是让AI图像创作社区无比繁荣的关键一环，它让AIGC图像创作过程更加的可控，更有助于广泛地将AIGC算法解决方案应用到各行各业中：

深入浅出完整解析ControlNet核心基础知识

12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

AI绘画和AI视频是两个互相促进、相互交融的领域，2024年无疑是AI视频领域的爆发之年，Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析：

深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

13. 深入浅出完整解析AIGC时代Transformer核心基础知识

在AIGC时代中，Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向，成为AI技术架构大一统与多模态整合的关键核心基座，大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析：

深入浅出完整解析AIGC时代Transformer核心基础知识

14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

AIGC创作框架正是AIGC算法工作流的运行载体，目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代，PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架，到了AIGC时代，Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”：

深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

在AIGC时代中，如何快速转身，入局AIGC产业？如何成为AIGC/LLM/AI Agent算法/开发工程师？如何在学校中系统性学习AIGC/LLM/AI Agent知识，斩获心仪的AIGC/LLM/AI Agent算法/开发offer？

Don‘t worry，Rocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍，为大家答疑解惑，希望能给大家带来帮助：

手把手教你成为AIGC/LLM/AI Agent算法/开发工程师，斩获AIGC/LLM/AI Agent算法/开发offer！

16. AIGC产业的深度思考与分析

2023年3月21日，微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示，自从1980年首次看到图形用户界面（graphical user interface）以来，以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。

Rocky也认为，AIGC及其生态，会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期，未来随着AIGC的全面落地和深度商用，会深刻改变我们的工作、生活、学习以及交流方式，各行各业都将被重新定义，过程会非常有趣。

那么，在此基础上，我们该如何更好的审视AIGC的未来？我们该如何更好地拥抱AIGC引领的革新？Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点，希望能帮助各位读者对AIGC有一个全面的了解：

深入浅出全面解析AIGC时代核心价值与发展趋势（2025年版）

17. AI算法工程师的独孤九剑秘籍

为了方便大家实习、校招以及社招的面试准备，同时帮助大家提升扩展技术基本面，Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:

【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍（持续更新中）

18. 深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识

GAN系列模型作为传统深度学习时代的最热门生成式Al模型，在AIGC时代继续繁荣，作为Stable Diffusion/FLUX系列大模型的“得力助手”，广泛活跃于AlGC图像创作的产品与工作流中：

深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识